系统生物学中粗粒化动力学模型的自动化自适应推断

细胞调控动力学由分子尺度上庞大而复杂的相互作用网络驱动，其巨大的规模阻碍了人们的理解。鉴于实验数据有限，此类动力学的许多参数未知，因此基于详细机制观点构建的模型容易过拟合且缺乏预测能力。而在另一个极端，针对复杂过程的简单临时模型往往遗漏了底层系统的定义性特征。在此，我们提出了一种方法，构建网络动力学的现象学粗粒化模型，使其复杂度能自动适应可用数据的数量。这种自适应模型即使在因数据不足而导致所研究系统的微观细节未知时，也能产生准确的预测。该方法在计算上是可行的，即使对于相对较多的动力学变量也是如此，这使得其软件实现（名为 Sir Isaac）即使在重要动态变量未被观测到的情况下也能做出成功预测。例如，它匹配了模拟行星运动数据的已知相空间结构，避免了复杂生物信号系统中的过拟合，并且仅用数十个数据点且在超过一半的相互作用物种未被观测到的情况下，对酵母糖酵解模型产生了准确的预测。